<\/p>\n
De glm()<\/strong> -functie in R kan worden gebruikt om gegeneraliseerde lineaire modellen aan te passen.<\/span> Deze functie is met name handig voor het aanpassen van logistische regressiemodellen<\/a> , Poisson-regressiemodellen<\/a> en andere complexe modellen.<\/span><\/p>\n Zodra we een model hebben aangepast, kunnen we de functie voorspellen()<\/strong> gebruiken om de responswaarde van een nieuwe waarneming te voorspellen.<\/span><\/p>\n Deze functie gebruikt de volgende syntaxis:<\/span><\/p>\n voorspellen(object, nieuwedata, type = \u201cantwoord\u201d)<\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n Het volgende voorbeeld laat zien hoe je een gegeneraliseerd lineair model in R kunt passen en hoe je het model vervolgens kunt gebruiken om de responswaarde te voorspellen van een nieuwe waarneming die het nog nooit eerder heeft gezien.<\/span><\/p>\n Voor dit voorbeeld gebruiken we de ingebouwde R-dataset genaamd mtcars<\/strong> :<\/span><\/p>\n We passen het volgende logistische regressiemodel toe waarin we de variabelen disp<\/strong> en hp<\/strong> gebruiken om de responsvariabele am<\/strong> te voorspellen (het transmissietype van de auto: 0 = automatisch, 1 = handgeschakeld).<\/span><\/p>\n We kunnen dit model vervolgens gebruiken om de waarschijnlijkheid te voorspellen dat een nieuwe auto een automatische transmissie (am=0) of een handgeschakelde transmissie (am=1) zal hebben met behulp van de volgende code:<\/span><\/p>\n Het model voorspelt dat de kans dat de nieuwe auto een handgeschakelde versnellingsbak heeft (am=1) 0,004<\/strong> is. Dit betekent dat het zeer waarschijnlijk is dat deze nieuwe auto wordt geleverd met een automatische transmissie.<\/span><\/p>\n Houd er rekening mee dat we ook meerdere voorspellingen tegelijk kunnen doen als we een database hebben met meerdere nieuwe auto’s.<\/span><\/p>\n De volgende code laat bijvoorbeeld zien hoe u het ingebouwde model kunt gebruiken om de waarschijnlijkheid van een handgeschakelde versnellingsbak voor drie nieuwe auto’s te voorspellen:<\/span><\/p>\n Zo interpreteert u het resultaat:<\/span><\/p>\n De kolomnamen in het nieuwe dataframe moeten exact overeenkomen met de kolomnamen in het dataframe die zijn gebruikt om het model te maken.<\/span><\/p>\n Merk op dat in ons vorige voorbeeld het dataframe dat we gebruikten om het model te maken de volgende kolomnamen bevatte voor onze voorspellende variabelen:<\/span><\/p>\n Dus toen we het nieuwe dataframe met de naam newdata cre\u00eberden,<\/strong> zorgden we ervoor dat we de kolommen ook een naam gaven:<\/span><\/p>\n Als de kolomnamen niet overeenkomen, ontvangt u het volgende foutbericht:<\/span><\/p>\n Fout bij evaluatie (predvars, data, env)<\/strong><\/span><\/p>\n Houd hier rekening mee wanneer u de functie voorspellen()<\/strong> gebruikt.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Hoe eenvoudige lineaire regressie uit te voeren in R<\/a> De glm() -functie in R kan worden gebruikt om gegeneraliseerde lineaire modellen aan te passen. Deze functie is met name handig voor het aanpassen van logistische regressiemodellen , Poisson-regressiemodellen en andere complexe modellen. Zodra we een model hebben aangepast, kunnen we de functie voorspellen() gebruiken om de responswaarde van een nieuwe waarneming te voorspellen. Deze […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1546","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: gebruik van de voorspellingsfunctie met glm in R<\/strong><\/span><\/h3>\n
#view first six rows of mtcars<\/em> data frame<\/span>\nhead(mtcars)\n\n mpg cyl disp hp drat wt qsec vs am gear carb\nMazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4\nMazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4\nDatsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1\nHornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1\nHornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2\nValiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1<\/strong><\/pre>\n #fit logistic regression model<\/span>\nmodel <- glm(am ~ disp + hp, data=mtcars, family=binomial)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nglm(formula = am ~ disp + hp, family = binomial, data = mtcars)\n\nDeviance Residuals: \n Min 1Q Median 3Q Max \n-1.9665 -0.3090 -0.0017 0.3934 1.3682 \n\nCoefficients:\n Estimate Std. Error z value Pr(>|z|) \n(Intercept) 1.40342 1.36757 1.026 0.3048 \navailable -0.09518 0.04800 -1.983 0.0474 *\nhp 0.12170 0.06777 1.796 0.0725 .\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\n(Dispersion parameter for binomial family taken to be 1)\n\n Null deviance: 43,230 on 31 degrees of freedom\nResidual deviance: 16,713 on 29 degrees of freedom\nAIC: 22,713\n\nNumber of Fisher Scoring iterations: 8\n<\/strong><\/pre>\n #define new observation\nnewdata = data. frame<\/span> (disp=200, hp=100)\n<\/span>\n#use model to predict value of am\npredict(model, newdata, type=\" response<\/span> \")\n\n 1 \n0.00422564\n<\/span><\/span><\/strong><\/pre>\n #define new data frame of three cars\nnewdata = data. frame<\/span> (disp=c(200, 180, 160),\n hp=c(100, 90, 108))\n\n#view data frame<\/span>\nnewdata\n\n hp disp\n1,200 100\n2 180 90\n3,160,108\n<\/span>\n#use model to predict value of am<\/em> for all three cars\npredict(model, newdata, type=\" response<\/span> \")\n\n 1 2 3 \n0.004225640 0.008361069 0.335916069 \n<\/span><\/span><\/strong><\/pre>\n\n
Opmerkingen<\/strong><\/span><\/h2>\n
\n
\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe meervoudige lineaire regressie uit te voeren in R<\/a>
Hoe polynomiale regressie uit te voeren in R<\/a>
Een voorspellingsinterval maken in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"